| Название |
Тестирование алгоритмов машинного обучения на примере влияния гравитационного поля
Земли на выделение гелия |
| Информация об авторе |
Заполярный филиал ПАО «ГМК «Норильский никель», Норильск, Россия:
Сергунин М. П., начальник отдела геотехнического сопровождения горных работ Центра геодинамической безопасности, SerguninMP@nornik.ru |
| Реферат |
Приведены результаты лабораторных исследований по изучению фильтрационных свойств материалов, находящихся в нестационарном напряженном состоянии. Установлено, что между напряженным состоянием и фильтрационными свойствами существует определенная зависимость. Показано, что колебания гравитационного поля Земли оказывают влияние на состояние трещин: степень их раскрытия или смыкания можно оценить по интенсивности выделения легких летучих газов, в частности гелия. Это было экспериментально подтверждено моделями машинного обучения, которые показали хорошую корреляцию между выделением гелия и изменением гравитационного поля Земли. |
| Ключевые слова |
Напряженное состояние, фильтрационные свойства, трещины, раскрытие, смыкание, выделение гелия, гравитационное поле Земли, нейронная сеть |
| Библиографический список |
1. Шабаров А. Н., Тарасов Б. Г. О влиянии на напряженно-деформированное состояние горных массивов волн земных приливов // ФТПРПИ. 2004. № 1. С. 62–71.
2. Панжин А. А. Экспериментальные исследования и визуализация современных геодинамических движений // Проблемы недропользования. 2020. № 3. С. 32–39.
3. Altamimi Z., Rebischung P., Métivier L., Collilieux X. ITRF2014: A new release of the International Terrestrial Reference Frame modeling nonlinear station motions // Journal of Geophysical Research: Solid Earth. 2016. Vol. 121. Iss. 8. P. 6109–6131.
4. Plate Motion Calculator. UNAVCO, 2020. URL: https://www.unavco.org/software/geodetic-utilities/plate-motion-calculator/plate-motion-calculator.html (дата обращения: 19.09.2021).
5. Сашурин А. Д., Панжин А. А. Современные проблемы и задачи геомеханики // ГИАБ. 2020. № 3-1. С. 188–198.
6. Abbott B. P., Abbott R., Abbott T. D., Acernese F., Ackley K. et al. GW170814: A Three-Detector Observation of gravitational waves from a binary black hole coalescence // Physical Review Letters. 2017. Vol. 119. No. 14. 141101. DOI: 10.1103/PhysRevLett.119.141101
7. Назарова Л. А., Назаров Л. А., Голиков Н. А., Скулкин А. А. Зависимость проницаемости геоматериалов от напряжений по данным лабораторных экспериментов на цилиндрических образцах с центральным отверстием // ФТПРПИ. 2019. № 5. С. 18–25.
8. Сергунин М. П. Нейросетевая модель поведения трещиноватого массива в топоцентрическом гравитационном поле Земли (на примере Октябрьского месторождения) // Горный журнал. 2021. № 1. С. 69–74. DOI: 10.17580/gzh.2021.01.12
9. Raschka S., Mirjalili V. Python Machine Learning: Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow 2. 3rd ed. – Packt, 2017. – 770 p.
10. Aurélien G. Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. 2nd ed. – Sebastopol : O’Reilly Media, Inc., 2019. – 510 p.
11. Ross Z. E., Cochran E. S., Trugman D. T., Smith J. D. 3D fault architecture controls the dynamism of earthquake swarms // Science. 2020. Vol. 368. No. 6497. P. 1357–1361.
12. Сергунин М. П., Еременко В. А. Обучение нейронной сети предсказывать параметры сдвижения горных пород налегающей толщи на основании данных о трещиноватости массива на примере рудника «Заполярный» // ГИАБ. 2019. № 10. С. 106–116. |
